Análise dos componentes principais e grau de integração

No intuito de avaliar os determinantes do grau de integração entre os mercados, usou-se, nesta pesquisa, a análise dos componentes principais, conduzida no sentido de resumir as informações contidas nas 15 variáveis originais selecionadas como explicativas em pequeno conjunto denominado componentes. Esses representam uma combinação linear das variáveis originais, e podem ser interpretados conforme a importância das variáveis que os compõem.

A Tabela 16 contém os cinco primeiros componentes principais (CP), as raízes características maiores que 1, a proporção da variância no conjunto original de variáveis, que pode ser explicada por cada componente, e a variância acumulada.

Em relação à proporção da variabilidade das variáveis selecionadas como explicativas do grau de integração, verificou-se que o primeiro componente principal (CP1) explica, aproximadamente, 44,62% da variância contida nas variáveis originais. O CP2 explica um montante de 20,18%. O terceiro e o quarto componentes explicam, isoladamente, 13,70% e 9,05% das variações, respectivamente. Portanto, os quatro primeiros componentes explicam conjuntamente 87,56% da variância total. Já o quinto componente explica apenas 7,22% das variações. Conjuntamente, os cinco componentes principais explicam cerca de 94,78% da variabilidade das variáveis selecionadas como explicativas do grau de integração. É interessante observar que cada componente tem um significado próprio e relevante, o que faz com que a variância total seja mais bem distribuída entre os cinco primeiros componentes, evitando-se a dominância por uma ou outra variável.

Tabela 16 – Componentes obtidos na análise dos componentes principais dos determinantes do grau de integração dos mercados brasileiros de suínos, 1985 a 2003

Variáveis CP1 CP2 CP3 CP4 CP5

Densidades das rodovias federais -0.375 0.025 0.016 -0.163 0.044

População estadual (%) -0.313 -0.227 -0.168 -0.026 0.279

PIB per capita -0.321 0.198 -0.145 -0.209 -0.214

Capital residencial rural -0.330 -0.230 -0.180 0.043 -0.004

Produção de carne suína (%) -0.284 0.349 0.078 0.217 0.073

Índice de comércio -0.178 0.435 0.197 0.179 0.012

Taxa estadual de desfrute 0.228 0.365 -0.048 0.319 0.079

Anos de escolaridade da população adulta -0.261 0.294 -0.264 -0.273 -0.109

Distâncias entre as capitais 0.223 0.307 -0.392 -0.075 0.135

Estimativa do custo do frete 0.261 0.298 -0.328 0.085 0.167

Terminais telefônicos/100 habitantes 0.174 0.028 0.590 0.029 -0.194

Estabelecimentos de abate de suínos -0.288 0.170 0.177 0.364 0.132

PIB agrícola per capita 0.047 0.311 0.187 -0.565 -0.345

Número de focos de febre aftosa -0.180 0.126 0.342 -0.213 0.566

Número de focos de peste suína clássica -0.226 -0.007 -0.092 0.402 -0.558

Autovalor 6,694 3,027 2,056 1,3578 1,083

Variância explicada (%) 44,62 20,18 13,70 9,05 7,22

Variância acumulada 44,62 64,80 78,51 87,56 94,78

Fonte: Dados da pesquisa.

Os dados da Tabela 16 permitem a identificação das variáveis que encontram-se associadas a cada um dos componentes principais. Essa associação é observada mediante o coeficiente de correlação entre os componentes e as variáveis em análise. A magnitude relativa dos coeficientes de correlação foi o fator determinante da importância relativa das variáveis em cada componente.

O CP1 mostrou-se mais relacionado com os estados que possuem maior acesso a rodovias federais pavimentadas, maior população, PIB per

capita e capital residencial rural.

O CP2 está associado aos grandes estados produtores de carne suína, estando relacionado aos grandes fluxos de comércio estimados para as localidades e taxa estadual de desfrute. Este componente apresentou ainda uma forte relação com anos de escolaridade da população.

O CP3, por sua vez, está relacionado a estados com baixo custo de transporte (pequena distância, baixos valores para as estimativas do frete), bem como ao grande número de terminais telefônicos.

Já o CP4 mostrou associação com os estados que têm pequeno número de estabelecimentos para abate de carne suína e baixo PIB agrícola

per capita.

O CP5 apresentou associação com os estados que possuem grandes números de febre aftosa e peste suína clássica.

As estimativas do relacionamento entre os perfis de persistência medianos e os componentes principais são analisadas através de regressão. Os escores observados para os componentes servem para ajustar o modelo de regressão linear, considerando-se o perfil de persistência mediano como representativo do grau de integração entre os mercados, isto é, o tempo necessário para que cada estado se ajuste aos choques em todo o sistema e, como variáveis explicativas, os quatro componentes definidos anteriormente. Não foi considerado o quinto componente devido à sua não-significância e ainda por ter prejudicado a significância dos outros coeficientes, além de reduzir o grau de liberdade na estimação.

O modelo foi estimado por meio do método dos Mínimos Quadrados Ordinários (MQO), mostrando-se estatisticamente significativo a 5% de probabilidade (teste F).

Os resultados mostram que os componentes explicam proporção relevante das diferenças estaduais no grau de integração de mercado. O coeficiente de determinação indicou que cerca de 91,39% da variabilidade do perfil de persistência mediano foi explicada por meio dos quatro componentes principais, indicando um bom ajustamento do modelo aos dados (Tabela 17).

Quanto às estimativas dos coeficientes do modelo, verificou-se uma relação inversa entre o CP1 e o perfil mediano. Considerando que o CP1 está mais relacionado a variáveis representativas do grau de crescimento econômico e social, este resultado é coerente, uma vez que se espera que estados com melhores infra-estruturas de transporte, mais populosos, com maior nível de riqueza, respondam mais rapidamente a choques, sendo, portanto, mais integrados.

Tabela 17 – Ajustamento dos parâmetros da regressão dos perfis de persistên- cia medianos em relação aos componentes principais

Variáveis Coeficientes Erro-padrão Estatística t P-valor

C 1.389 0.068 20.316 0.000 CP1 -0.193 0.026 7.286 0.005 CP2 -0.080 0.039 2.040 0.134 CP3 -0.095 0.048 -1.990 0.141 CP4 0.242 0.059 4.129 0.026 R2 = 0.9631 R2 Ajustado = 0.9139 F statistic = 19.5662 P-valor F-statistic) = 0.0173

Fonte: Dados da pesquisa.

Torna-se relevante ressaltar que a análise de regressão via componentes principais permite apenas avaliar o grau de associação entre as variáveis e não uma relação de dependência entre elas. Por isso, não se pode dizer que aumento ou diminuição em determinado componente irá provocar aumento ou diminuição no grau de integração entre os mercados (GONZÁLEZ- RIVERA; HELFAND, 2001).

Verificou-se relação inversa entre o CP2 e o tempo de ajustamento a desequilíbrios, sendo esta significativa a 15% de probabilidade. Dado que o CP2 está associado ao fluxo de comércio e nível educacional, é esperado que quanto maiores os indicadores de fluxo de comércio e nível educacional, maior é a integração entre os mercados detentores de tais características. É de conhecimento comum que quanto maior o nível de escolaridade da população adulta, maior a produtividade dos agentes responsáveis pelo fluxo de bens, em todos os níveis de mercado, como também a velocidade e a precisão do fluxo de informações, porque possuem maior acesso aos canais mais relevantes de obtenção das informações. Com isso, observou-se que aqueles estados que apresentaram os melhores indicadores de fluxo de comércio e nível educacional foram os mais integrados, dado que apresentaram menores tempos de ajustamento a choques ocorridos no sistema.

A relação inversa observada entre CP3 e o perfil mediano também era prevista, pelo fato de CP3 estar associado a menores custos de transporte e

maior acesso à infra-estrutura de comunicação. Porém, assim como CP2, este coeficiente também não se mostrou estatisticamente significativo a 10%, sendo significativo a 14%.

O CP4, que está relacionado ao reduzido número de estabelecimentos de abate de suínos, baixo PIB agrícola per capita, apresentou uma relação positiva e significativa a 5% de probabilidade com o grau de integração. Este resultado indica que os estados com estas características predominantes tenderam a apresentar um ajustamento mais lento a choques, sendo, portanto, menos integrados.

De maneira geral, os resultados apresentados evidenciaram que localidades que possuem maior acesso à infra-estrutura de comunicação, melhores níveis educacionais e melhor infra-estrutura de transporte são mais integrados, o que leva à aceitação da hipótese formulada neste estudo.